RAG: бот, который отвечает по вашим документам

«Хотим бота, который знает всё про нашу компанию и отвечает сотрудникам и клиентам» — самый частый запрос к ИИ-подрядчикам в 2026 году. Технология, которая это делает, называется RAG, и почти половина корпоративных ИИ-проектов сегодня — именно она. Разбираем на языке бизнеса: как это устроено, сколько стоит, где ломается и почему две трети бюджета уходят совсем не на бота.

Проблема, которую решает RAG

Обычная нейросеть не знает ваш прайс, ваши регламенты и условия договора с конкретным клиентом. Спросите её — и она либо честно откажется, либо придумает правдоподобный ответ. Второе для бизнеса опаснее.

Есть два способа это исправить. Первый — переучить модель на своих данных: дорого, долго, и при каждом изменении регламента нужно повторять. Второй — дать модели читать ваши документы в момент ответа. Это и есть RAG.

Аналогия, которая работает: вы наняли толкового сотрудника. Он не знает вашу компанию, но умеет читать и грамотно излагать. Вы не отправляете его на трёхмесячные курсы — вы даёте ему доступ к папке с регламентами. На каждый вопрос он находит нужные документы и отвечает по ним, приложив ссылку на источник.

Как это работает: четыре шага

Без единого технического термина:

1. Подготовка. Ваши документы — регламенты, инструкции, договоры, база знаний поддержки — режут на фрагменты и складывают в специальный поисковый индекс.
2. Поиск. Приходит вопрос. Система находит 5–20 фрагментов, которые к нему относятся.
3. Ответ. Найденные фрагменты вместе с вопросом отдают языковой модели: «ответь только по этим текстам».
4. Ссылки. К ответу прикладываются источники — конкретные документы и пункты.

Четвёртый шаг — самый важный для бизнеса. Ответ без ссылки на источник в корпоративной системе бесполезен: его нельзя проверить, на него нельзя сослаться перед клиентом или в споре. Если подрядчик показывает демо без ссылок — это не корпоративное решение.

Где это реально окупается

По данным рынка, эффективность сценариев различается в разы:

Практический вывод: начинайте с поддержки или базы знаний. Там есть и объём вопросов, и готовые тексты, и понятная метрика.

Сколько стоит и сколько длится

Ориентиры по российскому рынку на 2026 год:

И самая важная цифра: 60–70% бюджета уходит не на разработку бота, а на подготовку данных, безопасность и оценку качества. Если подрядчик предлагает «сделать за две недели», он либо не считает эти работы, либо переложит их на вас в середине проекта.

Где RAG ломается

Пять типовых мест, и все они про данные и процесс, а не про модель:

• Документы противоречат друг другу. Три версии регламента, две действующие и одна отменённая. Система честно найдёт все три. Отвечать она будет по той, что лучше подошла по формулировке, а не по той, что действует.
• Нет разграничения доступа. Бот, который отвечает всем одинаково, рано или поздно расскажет менеджеру зарплатную политику. Права доступа должны учитываться на этапе поиска, а не в ответе.
• Документы устарели. Индекс собрали один раз и забыли. Через полгода бот уверенно отвечает по прошлогодним ценам.
• Спрашивают не то, что написано. Клиент спрашивает «а если я передумаю», в регламенте это называется «односторонний отказ от исполнения». Поиск не находит связь. Лечится настройкой, но это работа, а не магия.
• Нет измерения качества. Без набора эталонных вопросов с правильными ответами вы не знаете, стало лучше или хуже после очередной правки. Это то самое, на что уходит часть бюджета.

Что придётся сделать на своей стороне

Список, который стоит увидеть до подписания договора. Это ваша работа, её никто не сделает за вас:

• Навести порядок в документах. Определить, какая версия действующая, убрать отменённое, назначить владельца у каждого регламента.
• Описать, кто что может видеть. Хотя бы на уровне отделов.
• Собрать 50–100 реальных вопросов с эталонными ответами. Это ваш экзамен для системы — и единственный способ честно сравнить подрядчиков.
• Решить, что нельзя отдавать наружу. Персональные данные, коммерческая тайна, данные клиентов.
• Назначить, кто обновляет базу. Не «ИТ», а конкретный человек с регламентом.

Как считать эффект

Метрики, которые имеет смысл фиксировать:

• Доля вопросов, закрытых без человека. Главное число. Считайте по факту, а не по обещаниям.
• Время поиска ответа сотрудником. До и после, по секундомеру.
• Доля ответов с корректной ссылкой на источник. Проверяется на вашем наборе из 50–100 вопросов.
• Число эскалаций к эксперту. Должно падать, а не расти.

Формула экономии — та же, что для любого процесса: сэкономленные минуты умножить на количество обращений и на стоимость часа. Для поддержки к этому добавляется скорость ответа клиенту, а она влияет уже на выручку.

Российская специфика

Три пункта, о которых стоит помнить при выборе решения:

• Оплата зарубежных моделей с российского юрлица напрямую невозможна. Это влияет на архитектуру, а не только на бухгалтерию.
• Есть готовые российские модели с API — GigaChat, YandexGPT и другие. Для внутренних баз знаний и поддержки их возможностей обычно достаточно.
• Для чувствительных данных используют open-source модели на своей инфраструктуре. Дороже в железе, но данные не покидают контур. Для банков, медицины и госсектора это часто не выбор, а требование.

Чек-лист перед запуском проекта

• Какой сценарий берём первым — поддержка, база знаний или продажи?
• Сколько документов в базе и кто отвечает за их актуальность?
• Есть ли у нас 50–100 реальных вопросов с эталонными ответами?
• Как устроены права доступа: кто что может увидеть?
• Какие данные нельзя отправлять во внешний сервис?
• Кто обновляет базу после запуска и по какому регламенту?
• Какая доля вопросов, закрытых без человека, будет считаться успехом?

Источники

• Рынок RAG-систем 2026: корпоративный поиск, ассистенты, внедрение — AI Market Rating
• RAG в корпоративных продуктах: как использовать базы знаний в ИИ-сценариях — Embedika
• Сравнение отечественных LLM 2026: YandexGPT, GigaChat и альтернативы для бизнеса
• Российский AI-стек 2026: YandexGPT, GigaChat, T-Pro